机器人辅助微创手术长期技能学习数据集

该数据集由本-古里安大学的研究团队收集，包含18名不同专业的外科住院医师在六个月内进行的972次试验。数据集综合了与动作同步的视频、运动学数据、活动追踪和缝合垫扫描。研究目的是探究长期机器人手术技能的习得过程以及训练间隔和疲劳对表现的影响。

This dataset was collected by a research team from Ben-Gurion University of the Negev. It includes 972 trials conducted by 18 surgical residents from diverse medical specialties over a six-month period. The dataset integrates synchronously recorded action videos, kinematic data, activity tracking records, and suture pad scans. The research aims to explore the acquisition process of long-term robotic surgical skills, as well as the effects of training intervals and fatigue on surgical performance.

搜集汇总

数据集介绍

构建方式

该数据集通过为期六个月的实验构建，涉及18名外科住院医师在机器人辅助微创手术（RAMIS）中的技能学习过程。每位参与者每月参与三次培训课程，围绕一次26小时的医院轮班进行。每次培训课程中，参与者完成三项干实验室训练任务：环塔转移、打结和缝合。数据采集包括同步的运动学数据视频、活动追踪以及缝合垫的扫描，确保了数据的全面性和多维性。

特点

数据集的特点在于其长期性和多维性，涵盖了不同外科专业的住院医师在长时间跨度内的技能学习数据。数据集包含972次试验，记录了参与者在疲劳和非疲劳状态下的表现变化，为研究长期技能保留和遗忘提供了独特视角。此外，数据集还整合了运动学数据、视频记录和缝合垫扫描，为深入研究机器人辅助手术技能学习提供了丰富资源。

使用方法

该数据集适用于研究机器人辅助手术技能的长期学习过程，特别是在不同训练间隔和疲劳条件下的表现变化。研究人员可以利用数据集中的运动学数据和视频记录，分析技能学习的动态变化。此外，缝合垫扫描和活动追踪数据可用于评估手术精度和疲劳对技能表现的影响。数据集还可用于开发人工智能模型，优化手术培训协议和虚拟现实模拟器的设计。

背景与挑战

背景概述

机器人辅助微创手术长期技能学习数据集由以色列本·古里安大学的Yarden Sharon、Alex Geftler、Hanna Kossowsky Lev和Ilana Nisky等研究人员于2025年创建。该数据集旨在探究外科住院医师在机器人辅助微创手术（RAMIS）中长期技能习得的过程，特别关注训练间隔和疲劳对手术表现的影响。研究团队通过为期六个月的实验，收集了18名不同外科专科住院医师在三种训练任务（环塔转移、打结和缝合）中的972次试验数据，包括同步视频、运动学数据、活动追踪和缝合垫扫描。该数据集为优化外科培训方案、提升人工智能在手术中的应用提供了重要基础，对手术机器人技术、运动学习和外科教育领域具有深远影响。

当前挑战

该数据集主要解决机器人辅助手术技能长期习得领域的挑战，包括：1) 技能保留与遗忘的量化：在长达数月的训练间隔中，哪些技能被保留、哪些被遗忘；2) 疲劳对学习效果的影响：26小时医院轮班前后的疲劳状态如何影响技能获取。在数据构建过程中面临的挑战包括：1) 实验设计的复杂性：需要协调住院医师繁忙的临床工作与训练计划；2) 数据采集的同步性：确保视频、运动学数据和生理指标的时间对齐；3) 任务标准化：保持三种手术训练任务在不同训练周期中的一致性；4) 参与者流失：在长达六个月的研究中维持参与者的持续投入。

常用场景

经典使用场景

在机器人辅助微创手术（RAMIS）领域，该数据集被广泛应用于长期技能习得的研究。通过追踪18名外科住院医师在六个月内的训练表现，数据集提供了包括运动学数据、视频记录和缝合垫扫描在内的多模态信息。这些数据为研究者在不同训练间隔和疲劳条件下评估手术技能的提升与退化提供了丰富资源。经典使用场景包括分析住院医师在环塔转移、结扎和缝合等任务中的表现变化，以及探讨技能保留与遗忘的动态过程。

实际应用

在实际应用中，该数据集直接服务于外科训练协议的优化。医院教育部门可利用其发现来设计更符合住院医师工作节奏的训练计划，例如调整训练频率以平衡技能保留与临床工作负担。医疗器械公司则通过分析运动学数据改进虚拟现实模拟器的力反馈算法。此外，人工智能团队利用该数据集开发自动化技能评估工具，通过路径长度、完成时间和方向变化率等指标实现客观评价，减少对专家评分的依赖。

衍生相关工作

该数据集已催生多项衍生研究，包括基于运动学特征的技能评估模型开发。研究者利用其时间序列数据训练LSTM网络，实现对不同训练阶段技能水平的自动分类。另有工作结合JIGSAWS数据集的标注方法，开发了跨数据集通用的手势识别算法。在运动控制领域，学者通过分析长期学习曲线，提出了适用于复杂操作的技能衰减预测模型。这些工作共同推动了手术数据科学（Surgical Data Science）这一新兴学科的发展。